2025_Indices_Espectrales.knit

class: inverse,left, middle
background-image: url(background.png)
background-size: cover

##Módulo 2: Análisis espacial y Percepción remota satelital óptica

### Indices Espectrales

Matías Pérez Evens 
matias.perez@pucv.cl

.large[<a href="https://www.pucv.cl/uuaa/site/edic/base/port/labgrs.html">LabGRS</a> | Noviembre 2025]

---
class: center,middle
background-image: url(data:image/png;base64,#labgrs_logo.png)
background-size: 35%

---
## Contenidos

.pull-left[

* ¿Qué son los índices espectrales?

* Clasificación de índices espectrales
 
* Índices espectrales
  * Vegetacion
  * Agua
  * Nieve
  * Area quemada

]

.pull-right[
 <img src="data:image/png;base64,#https://raw.githubusercontent.com/allisonhorst/stats-illustrations/main/rstats-artwork/r_rollercoaster.png" width="650px"/>
]

---

### ¿Qué son los índices espectrales?

Los **índices espectrales** son combinaciones matemáticas de reflectancias en distintas longitudes de onda —en nuestro caso, a través las bandas espectrales— que permiten resaltar o discriminar con mayor claridad ciertos elementos presentes en una imagen.

Al ser índices **espectrales**, es muy importante conocer la firma espectral del objeto para comprender la lógica del índice aplicado. Los índices espectrales se construyen a partir de las propiedades de **absorción y reflectancia** de los objetos estudiados, y por ende se construye a través de la relación entre diferentes regiones del espectro electromagnético.

---

### Clasificación de índices espectrales

Los índices espectrales son una de las formas más directas de derivar información cuantitativa desde imágenes satelitales. Entre los grupos principales se distinguen los índices de diferencia normalizada y los no normalizados.

**Diferencia normalizada:** Se construyen a partir de dos bandas cuya respuesta espectral es contrastante para el objeto de interés. Se calcula la resta entre la banda de mayor reflectancia y la de menor reflectancia, y luego se normaliza dividiendo por la suma de ambas. Esta normalización nos entrega un rango útil del índice entre **-1 y +1**, donde los valores positivos indican mayor diferencia entre las bandas utilizadas para crear el índice, y por ende, una mayor dominancia espectral del objeto estudiado.

**No normalizados:** Se construyen a partir de dos o más bandas. Estos índices no poseen rango fijo y pueden exceder ±1, ya que no están normalizados (no se dividen por la suma de las partes), y su interpretación depende directamente de la operación empleada y de la relación espectral entre las bandas utilizadas.

---

### Tipos de Índices Espectrales

Comportamiento espectral de la vegetación

El comportamiento espectral de la vegetación está determinado por la interacción de la radiación con la estructura foliar y la composición bioquímica de los tejidos. En general, la reflectancia de la vegetación se caracteriza **por presentar diferencias entre las regiones del espectro visible y el infrarrojo cercano.**

.pull-left[
En el visible (~400-700 nm), la reflectancia es baja debido a la fuerte absorción por pigmentos, especialmente clorofilas (y en menor medida carotenoides y flavonoides). La clorofila presenta máximos de absorción en el azul y en el rojo (~440 nm y ~660 nm, respectivamente), ya que estas longitudes de onda son las necesarias para los procesos fotoquímicos de la fotosíntesis. En cambio, la región verde (~550 nm) **es menos absorbida por la planta**, lo que genera el "efecto campana" en la reflectancia y explica por qué la vegetación sana se observa en tonalidades verdes.

]

.pull-right[
<center><img src="data:image/png;base64,#mesofilo.jpg" height="400px" /></center>
]

---

Comportamiento espectral de la vegetación

.pull-left[
En la región del infrarrojo cercano, (~800-1200 nm), ocurre una reflectancia muy alta controlada principalmente por la estructura interna del mesófilo: la matriz de espacios intercelulares y discontinuidades aire-agua produce múltiples reflexiones internas que incrementan la reflectancia obserbada. Este comportamiento es sensible a **biomasa foliar, espesor del mesófilo, área foliar y estado hídrico estructural.**

Y por último, en el SWIR (~1500-2500 nm), la reflectancia disminuye nuevamente debido a las bandas de absorción del agua contenida en la hoja; estas regiones son sensibles al contenido hídrico, lignina y celulosa.
]

.pull-right[
<center><img src="data:image/png;base64,#firma_hoja.jpg" height="450px" /></center>
]
---

### Índices espectrales de vegetación

---

### Índices espectrales de vegetación

---

### Índices espectrales de vegetación

``` r
# librerias necesarias
library(tidyverse)
library(terra)

# Abrir imagen Landsat
lc_08 <- list.files(
 path = "ruta_a_tu_carpeta_Landsat",
 pattern = glob2rx("*T1_SR_B*.TIF"),
 full.names = T
) %>% rast()

# Convertir valores a Reflectancia
lc_08 <- lc_08 * 0.0000275 + -0.2

# Renombrar bandas
names(lc_08) <- c("B1", "B2", "B3", "B4", "B5", "B6", "B7")

# Cálculo de Normalized Difference Vegetation Index
NDVI_L8 <- (lc_08$B5 - lc_08$B4) / (lc_08$B5 + lc_08$B4)

plot(NDVI_L8, range = c(-1, 1),
     col = (RColorBrewer::brewer.pal(11,"RdYlGn"))) # visualización
```

---

### Índices espectrales de vegetación

---

### Tipos de Índices Espectrales

Comportamiento espectral del agua

.pull-left[
El agua presenta muy baja reflectancia, concentrada principalmente en el rango visible, con una disminución progresiva a medida que aumenta la lonigtud de onda: refleja mas en el azul y cada vez menos hacia el rojo, llegando a valores cercanos a un 0% de reflectancia en las longitudes infrarrojas.

Su comportamiento espectral varía según la presencia de material particulado en suspensión, microorganismos, contenido de clorofila, rugosidad superficial y profundidad, que alteran la cantidad de luz dispersada o abosrbida en la columna de agua.(Manzano, 2004).

]

.pull-right[

]

---

### Comportamiento espectral del agua

---

### Comportamiento espectral del agua

---

### Índices Espectrales de Agua

---

### Índices Espectrales de Agua

``` r
# Cálculo de Normalized Difference Water Index (McFeeters)
NDWI_McF <- (lc_08$B3 - lc_08$B5) / (lc_08$B3 + lc_08$B5)

plot(NDWI_McF, range = c(-1, 1),
     col = (RColorBrewer::brewer.pal(9,"Blues"))) # visualización
```

---

### Tipos de Índices Espectrales

Comportamiento espectral de la nieve

.pull-left[
La nieve presenta una reflectancia muy alta en el visible, alcanzando un peak marcado que luego desciende rápidamente hacia el infrarrojo cercano, donde la absorción aumenta de forma significativa.

Su firma espectral varía según el grado de compactación, el tamaño de los cristales, y el nivel de pureza, factores que controla la cantidad de luz reflejada y la eficacia de la absorción dentro de la cobertura nival. (Pérez & Muñoz, 2006).
]

.pull-right[

]

---

### Indices espectrales de nieve

---

### Indices espectrales de nieve

``` r
# Cálculo de Normalized Difference Snow Index (1)
NDSI_01 <- (lc_08$B2 - lc_08$B6) / (lc_08$B2 + lc_08$B6)

plot(NDSI_01, range = c(-1, 1),
     col = (RColorBrewer::brewer.pal(11, "YlGnBu"))) # visualización
```

---

### Otros Índices espectrales:

*Normalized Burn Ratio (NBR)*

---

### Otros Índices espectrales:

*Normalized Burn Ratio (NBR)*

---

### Índice de Área Quemada

Imagen Sentinel-2 Nivel 2 (L2A): Zona Megaincendio Viña del Mar (Febrero, 2024)

``` r
# Abrimos nuestras imagenes Sentinel 2
# y seleccionamos las bandas RGB-NIR-SWIR2

#pre incendio
S2_pre_fire <- rast("Mosaic_RGB_pre_fire.tif")[[c(2,3,4,5,11)]]
S2_pre_fire[S2_pre_fire == 0] <- NA # Eliminar valores 0

#pos incendio
S2_pos_fire <- rast("Mosaic_RGB_post_fire.tif")[[c(2,3,4,5,11)]] # seleccionar bandas RGB-NIR-SWIR2
S2_pos_fire[S2_pos_fire == 0] <- NA # Eliminar valores 0

# Renombrar las bandas satelitales
names(S2_pre_fire) <- c("BLUE","GREEN","RED","NIR","SWIR2")
names(S2_pos_fire) <- c("BLUE","GREEN","RED","NIR","SWIR2")

# visualizar: 
par(mfrow = c(1,2))
plotRGB(S2_pre_fire, r = 3, g = 2, b = 1, stretch = "lin", colNA = "white", axes = T)
plotRGB(S2_pos_fire, r = 3, g = 2, b = 1, stretch = "lin", colNA = "white",  axes = T)
dev.off()
```

---

### Índice de Área Quemada

Normalized Burn Ratio (NBR):

---

### Índice de Área Quemada

Normalized Burn Ratio (NBR): 
Un valor alto de NBR indica **vegetación sana**, mientras que un valor bajo indica suelo desnudo o **áreas recientemente quemadas**. La fórmula para calcular el NBR es la siguiente:
$$
NBR = \frac{NIR - SWIR}{NIR + SWIR}
$$

``` r
## Calculo del indice NBR
#Imagen antes del incendio
NBR_PRE <- (S2_pre_fire$NIR-S2_pre_fire$SWIR2) / (S2_pre_fire$NIR+S2_pre_fire$SWIR2)

#Imagen después del incendio
NBR_POS <- (S2_pos_fire$NIR-S2_pos_fire$SWIR2) / (S2_pos_fire$NIR+S2_pos_fire$SWIR2)

par(mfrow = c(1,2))
plot(NBR_PRE, range = c(-1, 1), main = "NBR pre-Incendio",
     col = (RColorBrewer::brewer.pal(11, "BrBG"))) # visualización

plot(NBR_POS, range = c(-1, 1), main = "NBR pos-Incendio",
     col = (RColorBrewer::brewer.pal(11, "BrBG"))) # visualización
```

---

### Índice de Área Quemada

---

### Otros Índices espectrales:
**Delta** *Normalized Burn Ratio (dNBR)*

---

### Otros Índices espectrales: dNBR

``` r
# Cálculo indice dNBR
dNBR_vina <- (NBR_PRE - NBR_POS) * 1000

# visualización
plot(dNBR_vina, range = c(-200, 600), col = rev(RColorBrewer::brewer.pal(11,"RdYlGn")))
```

---

### Otros Índices espectrales: dNBR

``` r
# Eliminar zonas "no quemadas" (de acuerdo a tabla)
dNBR_vina[dNBR_vina <= 100] <- NA

# Visualizar RGB pre-incendio (para contexto)
plotRGB(S2_pre_fire, r = 3, g = 2, b = 1, stretch = "lin", colNA = "white", axes = T)

#Agregar dNBR de zonas quemadas
plot(dNBR_vina, range = c(-500, 500), add = T, col = RColorBrewer::brewer.pal(9,"Reds"))
```

---

### Otros Índices espectrales: dNBR

---

### Cálculo multiple de índices con RStoolbox

Dentro de RStudio disponemos de librerías especializadas para la estimación de índices de forma simultánea. La función **spectralIndice** de la librería **RStoolbox** nos permite obtener diferentes índices espectrales a partir de las bandas disponibles.

``` r
# install.packages("RStoolbox")
library(RStoolbox)

stack_indices <- spectralIndices(img = S2_pre_fire,
 blue = "BLUE",
 green = "GREEN",
 red = "RED",
 nir = "NIR",
 scaleFactor = 10000,
 indices = c("NDVI", "EVI"))

evi_palette <- colorRampPalette(c("grey","#EEEEE0","#F0E68C", "#A2CD5A","#008B00","#556B2F"))

# visualización
par(mfrow = c(1, 2))
plot(stack_indices[[1]], range = c(-0.2,0.7), col = viridis::viridis(11), main = "NDVI index")
plot(stack_indices[[2]], range = c(-0.1,0.2), col = evi_palette(200), main = "EVI index")
```

---

### Cálculo multiple de índices con RStoolbox

<a href="https://rdrr.io/cran/RStoolbox/man/spectralIndices.html#:~:text=passed%20to%20writeRaster-,Details,-spectralIndices%20calculates%20all">Ver **detalles** para mas información de índices disponibles en la función **spectralIndices**</a>

---

### Bibliografía

Asrar, G. Q., Fuchs, M., Kanemasu, E. T., & Hatfield, J. L. (1984). Estimating absorbed photosynthetic radiation and leaf area index from spectral reflectance in wheat 1. Agronomy journal, 76(2), 300-306.

Emilio Chuvieco Teledeteccion Ambiental. La Observacion de la Tierra Desde el Espacio.

Hamlyn G. Jones and Robin A. Vaughan. Remote sensing of vegetation. Item 7- Use of spectral information for sensing vegetation properties and for image classification. Editorial Oxford. ISBN 978-0-19-920779-4.

R.O. Chávez, J.G.P.W. Clevers, M. Herold, M. Ortiz, E. Acevedo, Modelling the spectral response of the desert tree Prosopis tamarugo to water stress, International Journal of Applied Earth Observation and Geoinformation, Volume 21. https://doi.org/10.1016/j.jag.2012.08.013.

Jia, Xiuping. Remote Sensing Digital Image Analysis: An Introduction. 10.1007/3-540-29711-1.

Thenkabail, P.S. Remote Sensing Handbook Vol. 1: Remotely sensed data characterization, classification, and accuracies. Taylor & Francis Group.

Wegmann M., Leutner B., Dech S. Remote Sensing and GIS for Ecologists Using Open Source Software. Ed. Pelagic. Teledeteccion Ambiental. La Observacion de la Tierra Desde el Espacio.
---
class: middle
![logo](data:image/png;base64,#LABGRS-PUCV.png)